python怎么处理pdf,使用python处理pdf中的表

我最近也遇到了类似的问题，并编写了一个库来帮助解决它：pdfquery。

PDFQuery从PDF创建一个元素树(使用pdfminer和一些额外的糖)，并允许您使用JQuery或XPath选择器从页面获取元素，主要基于元素的文本内容或位置。因此，要分析一个表，首先要通过搜索标签来找到它在文档中的位置：label = pdf.pq(':contains("Name of your table")')

left_corner = float(label.attr('x0'))

bottom_corner = float(label.attr('y0'))

然后继续搜索表下面的行，直到搜索没有返回结果：page = label.closest('LTPage')

while 1:

row = pdf.extract( [

('column_1', ':in_bbox("%s,%s,%s,%s")' % (left_corner+10, bottom_corner+40, left_corner+50, bottom_corner+20)),

('column_2', ':in_bbox("%s,%s,%s,%s")' % (left_corner+50, bottom_corner+40, left_corner+80, bottom_corner+20))

], page)

if not row['column_1'] or row['column_2']:

break

print "Got row:", matches

bottom_corner -= 20

这假设您的行高20点，第一列从标签下20点开始，第一列从标签左边缘的10到50点开始，第二列从标签左边缘的50到80点开始。

如果你有空行或不同高度的行，这会变得更烦人。如果表中的条目足够接近，使解析器认为它只是一行，则可能还需要使用merge_tags=None选项来选择单个字符而不是单词。但希望这能让你更亲近。。。